过程监测一直都是工业系统的主要研究问题之一。它通过密切地监督生产过程的运行状态,不断地检测过程的变化趋势、诊断故障信息,有效地提高了产品的质量和经济效益。基于数据驱动的方法是过程监测领域的一个重要分支,由于其仅依赖于易得的过程数据,不依赖于精确的数学模型,近年来成为过程监控领域研究的热点。本文针对工业过程的实际特点,以独立成分分析(Independent Component Analysis,ICA)为主线,结合小波变换,对过程监测方法进行了深入的研究。ICA作为高阶统计量的信号分解方法,可以避免数据服从正态分布的假定,有效地利用变量的统计特性,在统计独立的意义下对观测变量进行分解,实现对过程本质结构的最理想描述。然而对于实际工业过程而言,一般不能确切知道独立分量的个数,FastICA算法得到的独立成分往往也是杂乱无章的,并不能确定各独立成分对观测信号的主次性,本文采用MSE方法对独立成分进行排序,提取关键的独立成分,进而利用核密度估计确定统计量控制限,得到在线监测模型,并用贡献图方法进行故障辨识。考虑工业过程测量数据具有的非高斯分布、多尺度、动态和随机噪声影响等特征,以及FastICA算法在具有多高斯噪声信号源系统中收敛性较差的问题,在ICA方法的基础上,结合小波分析,提出基于小波变换的多尺度ICA方法用于过程的故障检测。应用ICA和小波变换进行过程特征信息的两步提取,通过小波变换的多尺度分析特性,提取过程数据的局部时频信息,滤除一定的噪声,在每个尺度上保留关键的独立成分,然后对重构的全尺度时间域上的过程信息进行ICA过程监测。通过对TE过程的仿真研究,验证了该方法的有效性,能更好地提取过程运行状况的本质信息,与ICA方法相比,具有较高的故障检测率和较短的检测时滞,提高了过程监测性能。